JavaScript字符串分割技巧

最近看到一个拆分字符串的新方式，就是使用Intl.Segmenter将 emoji 字符串分割成字形的方法。

我以前都没用过这个Intl对象，现在我们一起来看看。

假设你想把用户输入拆分成句子，看起来是一个简单的 split() 任务…但这个问题有很多细微之处。

'Hello! How are you?'.split(/[.!?]/);
// ['Hello', ' How are you', '']

使用 split() 会丢失定义的分隔符，并在所有地方包含这些空格。而且因为它依赖于硬编码的分隔符，所以对语言不敏感。

我不懂日语，但你会如何尝试将下面的字符串分割成单词或句子？

// I am a cat. My name is Tanuki.
'吾輩は猫である。名前はたぬき。'

普通的字符串方法在这里是没有用的，但是Intl JavaScript API 确能解决这个问题。

Intl.Segmenter 来救场

Intl.Segmenter 是一个 JavaScript 对象，用于对文本进行区域设置敏感的分段。它可以帮助我们从字符串中提取有意义的项目，如单词、句子或字形。它的使用方式类似于其他的构造函数，可以使用 new 关键字来创建一个 Intl.Segmenter 对象。

const segmenter = new Intl.Segmenter(locale, { granularity: "word" });

在上面的代码中，locale 是字符串，表示要使用的区域设置。granularity 是字符串，表示分段的粒度。它可以是 “grapheme”（字形）、”word”（单词）或 “sentence”（句子）之一。

Intl.Segmenter 有一个很有用的方法叫做 segment()，它可以将文本拆分为有意义的段。

const segments = segmenter.segment(text);

在上面的代码中，text 是要拆分的文本，segments 是返回的段的迭代器。你可以使用 for-of 循环来遍历段，或者使用 Array.from() 将它们转换为数组。

const text = "Hello, world! How are you today?";
const segmenter = new Intl.Segmenter("en-US", { granularity: "sentence" });
const segments = segmenter.segment(text);

for (const segment of segments) {
  console.log(segment);
}

// Output:
// { index: 0, value: "Hello, world!", breakType: "", breakIndex: 12 }
// { index: 13, value: "How are you today?", breakType: "", breakIndex: 31 }

Intl.Segmenter 对象还有其他一些有用的方法，比如 breakType，用于检索分段的类型（例如，句子的末尾是否包含句号）。另一个有用的方法是 breakType，用于检索分段的类型。

例如：

const text = "Hello, world! How are you today?";
const segmenter = new Intl.Segmenter("en-US", { granularity: "sentence" });
const segments = segmenter.segment(text);

for (const segment of segments) {
  console.log(segment.breakType);
}

// Output:
// "exclamation"
// "question"

Intl.Segmenter 还有一个很有用的静态方法叫做 supportedLocalesOf()，它可以帮助你确定浏览器是否支持特定的区域设置。

const supported = Intl.Segmenter.supportedLocalesOf(["en-US", "zh-CN"]);
console.log(supported);

// Output:
// ['en-US', 'zh-CN']

在上面的代码中，supported 数组包含浏览器支持的区域设置。

如果你想要对文本进行更细粒度的分段，你可以使用 Intl.ListFormat 对象。它可以帮助你将文本拆分为有意义的列表项。

使用方式类似于 Intl.Segmenter，你可以使用 new 关键字创建一个 Intl.ListFormat 对象。

const listFormat = new Intl.ListFormat(locale, { style: "long", type: "conjunction" });

在上面的代码中，locale 是字符串，表示要使用的区域设置。style 和 type 是对象的属性，用于指定列表格式。style 可以是 “long” 或 “short”，type 可以是 “conjunction”（并列）或 “disjunction”（或）。

Intl.ListFormat 有一个很有用的方法叫做 format()，它可以将数组转换为有意义的列表。

const list = ["apple", "banana", "orange"];
const formatted = listFormat.format(list);
console.log(formatted);

// Output:
// "apple, banana, and orange"

在上面的代码中，formatted 是转换后的列表字符串。

Word 的颗粒度带有一个额外的 isWordLike 属性

如果把一个字符串分割成单词，所有的片段都包括空格和换行符。使用isWordLike属性将它们过滤掉。

const segmenterDe = new Intl.Segmenter('de', {
  granularity: 'word'
});
const segmentsDe = segmenterDe.segment('Was geht ab?');

console.log([...segmentsDe]);
// [
//   { segment: 'Was', index: 0, input: 'Was geht ab?', isWordLike: true },
//   { segment: ' ', index: 3, input: 'Was geht ab?', isWordLike: false },
//   ...
// ]

console.log([...segmentsDe].filter(s => s.isWordLike));
// [
//   { segment: 'Was', index: 0, input: 'Was geht ab?', isWordLike: true},
//   { segment: 'geht', index: 4, input: 'Was geht ab?', isWordLike: true },
//   { segment: 'ab', index: 9, input: 'Was geht ab?', isWordLike: true }
// ]

上面通过isWordLike进行过滤会删除标点符号，如.、-、或？。

使用 Intl.Segmenter 来分割 emojis

如果你想把一个字符串分割成可视化的 emojis，Intl.Segmenter也是一个很好的帮助。

const emojis = '🫣🫵👨‍👨‍👦‍👦';

// ----
// Split by code units
console.log(emojis.split(''));
// ['\uD83E', '\uDEE3', '\uD83E', '\uDEF5', '\uD83D', '\uDE48']

// ----
// Split by code points
console.log([...emojis]);
// ['🫣', '🫵', '👨', '‍', '👨', '‍', '👦', '‍', '👦']

// ----
// Split by graphemes
const segmenter = new Intl.Segmenter('en', {
  granularity: 'grapheme'
});
const segments = segmenter.segment(emojis);

console.log(Array.from(
  segmenter.segment(emojis),
  s => s.segment
));
// ['🫣', '🫵', '👨‍👨‍👦‍👦']

请注意，字形也包括空格和 “正常 “字符。

以上关于JavaScript字符串分割技巧的文章就介绍到这了，更多相关内容请搜索码云笔记以前的文章或继续浏览下面的相关文章，希望大家以后多多支持码云笔记。